💻 computer science

A Difference-in-Difference Approach to Detecting AI-Generated Images

تقترح هذه الورقة طريقة جديدة للفرق في الفروق (difference-in-difference) تعمل على تحسين كشف الصور المولدة بواسطة الذكاء الاصطناعي من خلال استخدام الفروق من الدرجة الثانية في خطأ إعادة البناء لتحقيق تعميم ودقة متفوقين مقارنة بالنهج الحالي القائم على الدرجة الأولى.

المؤلفون الأصليون: Xinyi Qi, Kai Ye, Chengchun Shi, Ying Yang, Hongyi Zhou, Jin Zhu

نُشر 2026-03-02

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xinyi Qi, Kai Ye, Chengchun Shi, Ying Yang, Hongyi Zhou, Jin Zhu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

المشكلة الكبرى: التزييف "المثالي"

تخيل عالماً يصبح فيه المزورون بارعين جداً في رسم لوحات مزيفة لدرء روائع فنية، لدرجة لا يمكن معها تمييزها عن الأصلية. في عالم الفن، هذا كابوس. وفي العالم الرقمي، وصلت مولدات الصور بالذكاء الاصطوي (مثل Midjourney أو DALL-E 3) إلى هذه النقطة. يمكنها إنشاء صور واقعية للغاية لدرجة أن أعيننا — وحتى برامج الكمبيوتر الحالية — لا تستطيع التمييز بينها وبين الصور الحقيقية التي التقطها البشر.

الطريقة القديمة لكشف هذه التزييفات كانت تشبه البحث عن بقعة على بصمة إصبع.

الطريقة القديمة (خطأ إعادة البناء - Reconstruction Error): تخيل أن لديك آلة تحاول "إعادة رسم" صورة بناءً على ما تعرفه عن الفن.
- إذا أعطيتها صورة حقيقية، ستصاب الآلة بالارتباك لأن الصورة معقدة وفريدة للغاية. ستقوم بإعادة رسم مشوشة و"ملطخة". الفرق بين الأصل وإعادة الرسم سيكون كبيراً.
- إذا أعطيتها صورة مزيفة من صنع الذكاء الاصطناعي، ستتعرف الآلة على النمط (لأنها تدربت على أنماط مشابهة للذكاء الاصطناعي). ستعيد رسمها بشكل مثالي تقريباً. الفرق سيكون ضئيلاً جداً.
- المنطق: فرق كبير = حقيقي. فرق ضئيل = مزيف.

المشكلة: مع تطور الذكاء الاصطناعي، بدأت الصور المزيفة تبدو مثل الصور الحقيقية. الآن، تعيد الآلة رسم الصور المزيفة بشكل جيد جداً لدرجة أن "البقعة" (الفرق) تصبح ضئيلة، تماماً كما هو الحال في الصور الحقيقية. هنا ترتبك أدوات الكشف القديمة وتفشل.

الحل الجديد: المحقق "المزدوج التحقق"

يقترح المؤلفون طريقة جديدة تسمى الفرق في الفروق (Difference-in-Differences - DID). فبدلاً من مجرد النظر إلى "البقعة" الأولى، هم ينظرون إلى التغير في تلك البقعة.

فكر في الأمر كأنك محقق يحقق في عذر غياب مشتبه به:

1. التحقق الأول (الفرق من الدرجة الأولى)

يسأل المحقق المشتبه به: "أين كنت؟"

يقدم المشتبه به إجابة (الذكاء الاصطناعي يولد صورة مزيفة).
يتحقق المحقق من الحقائق (الذكاء الاصطناعي يحاول إعادة رسم الصورة).
النتيجة: القصة لا تتطابق تماماً مع الحقائق. هناك فجوة صغيرة.
المشكلة: إذا كان المشتبه به كاذباً بارعاً (ذكاء اصطناعي قوي)، ستكون الفجوة صغيرة جداً لدرجة أنها تبدو كخطأ طبيعي. لن يستطيع المحقق التأكد.

2. التحقق الثاني (الفرق من الدرجة الثانية)

هنا تبرز قوة الطريقة الجديدة. المحقق لا يتوقف عند هذا الحد، بل يأخذ قصة المشتبه به ويطلب منه سردها مرة أخرى، ولكن هذه المرة يطلب منه شرح تفاصيل قصته الخاصة.

الخطوة أ: الذكاء الاصطناعي يولد صورة مزيفة ( $x$ ).
الخطوة ب: الآلة تعيد رسمها للحصول على "إعادة بناء" ( $x'$ ).
الخطوة ج: تأخذ الآلة هذه الـ "إعادة البناء" ( $x'$ ) وتعيد رسمها مرة أخرى للحصول على "إعادة بناء مزدوجة" ( $x''$ ).

الآن، يقارن المحقق بين الفجوة بين الخطوتين الأوليين وبين الفجوة بين الخطوتين التاليتين.

للصورة الحقيقية: إعادة الرسم الأولى تكون مشوشة (فجوة كبيرة). إعادة الرسم الثانية لهذا الشيء المشوش ستكون أكثر تشويشاً (الفجوة تكبر أو تتغير بطريقة معينة). "الخطأ" يستمر في النمو أو التحول.
للصورة المزيفة من صنع الذكاء الاصطناعي: الذكاء الاصطناعي متسق للغاية.
- إعادة الرسم الأولى نظيفة (فجوة ضئيلة).
- إعادة الرسم الثانية لهذا الشيء النظيف هي أيضاً نظيفة (فجوة ضئيلة).
- السحر: عندما تطرح الفجوتين الضئيلتين من بعضهما البعض، فإنهما تلغيان بعضهما البعض بشكل مثالي تقريباً. النتيجة هي صفر.

تشبيه "غرفة الصدى"

تخيل أنك في غرفة بها ميكروفون.

الصورة الحقيقية: أنت تتحدث، والميكروفون يلتقط صوتك بالإضافة إلى الكثير من ضجيج الغرفة (الستاتيكية). تتحدث مرة أخرى، والضجيج يتغير قليلاً. إذا قارنت بين التسجيلين، فإن الضجيج لن يلغي نفسه؛ بل سيخلق صوتاً فوضوياً غريباً.
الصورة المزيفة من صنع الذكاء الاصطناعي: الذكاء الاصطناعي يشبه غرفة صدى مثالية. إنه يكرر صوتك بدقة.
- الصدى الأول: مثالي.
- الصدى الثاني: مثالي.
- إذا قارنت الصدى الأول بالثاني، فهما متطابقان. الفرق هو الصمت.

طريقة (DID) تستمع لهذا الصمت. إذا كان "الضجيج" (الخطأ) يلغي بعضه البعض بشكل مثالي، فالصورة مزيفة. أما إذا كان الضجيج فوضوياً ولا يلغي بعضه البعض، فالصورة حقيقية.

لماذا هذا مهم؟

إنها خدعة "تقليل التباين": من خلال أخذ الفرق في الفروق، تقوم الطريقة بإلغاء "الضجيج" العشوائي الذي يربك أدوات الكشف القديمة، مما يعزل الإشارة الحقيقية.
تعمل على الذكاء الاصطناوي القوي: حتى عندما يكون الذكاء الاصطناعي بارعاً لدرجة فشل الفحص الأول، فإن "التحقق المزدوج" (DID) لا يزال يجد عدم الاتساق الخفي.
النتيجة: تظهر الورقة البحثية أن هذه الطريقة أكثر دقة بنسبة 20-30% من أفضل الأدوات الموجودة حالياً، خاصة عندما تكون صور الذكاء الاصطناعي عالية الجودة ويصعب رصدها.

الملخص

أدوات الكشف القديمة كانت تبحث عن العيوب. ولكن مع وصول الذكاء الاصطناعي إلى حد المثالية، تختفي العيوب.
أما كاشف DID فيبحث عن الاتساق. فهو يدرك أنه بينما يجيد الذكاء الاصطناوي صنع نسخة مثالية واحدة، فإنه يواجه صعوبة في الحفاظ على تلك المثالية عند طلب نسخ نسخته الخاصة مرتين متتاليتين. ومن خلال قياس كيفية تغير "الخطأ" بين النسخة الأولى والثانية، يمكنه كشف التزييف حتى عندما يبدو مثالياً للعين المجردة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "نهج الفرق في الفروق (Difference-in-Difference) للكشف عن الصور المولدة بواسطة الذكاء الاصطناعي".

1. بيان المشكلة

أدى التقدم السريع في نماذج الانتشار (مثل Stable Diffusion وDALL-E 3) إلى تمكين توليد صور عالية الدقة لا يمكن تمييزها بشكل متزايد عن الصور الفوتوغرافية الحقيقية. وهذا يفرض تحديات كبيرة أمام:

التحقق من الأصالة: أصبح التمييز بين المحتوى الحقيقي والاصطناعي أمراً بالغ الأهمية لثقة الجمهور والأمن.
قصور الكواشف الحالية: تعتمد معظم الكواشف المتطورة حالياً على خطأ إعادة البناء (الفرق بين الصورة المدخلة وإعادة بنائها بواسطة نموذج انتشار).
- الفرق من الدرجة الأولى: $\Delta(x) = |x - R(x)|$ .
- المشكلة: مع تحسن النماذج التوليدية، تتقارب "المنطوِية" (manifold) للصور الاصطناعية ( $M$ ) مع منطوية الصور الحقيقية ( $X$ ). وبناءً على ذلك، يصبح خطأ إعادة البناء للصور الحقيقية مهيمناً عليه بواسطة ضجيج الاضطراب العشوائي ( $\delta$ ) بدلاً من التباين الهيكلي بين البيانات الحقيقية والاصطناعية. وهذا يجعل إشارة الدرجة الأولى ضعيفة ويصعب تمييزها عن الضجيج، مما يؤدي إلى ضعف التعميم في السيناريوهات عالية الدقة أو السيناريوهات العدائية (مثل التعديلات الجزئية أو الضغط).

2. المنهجية: الفرق في الفروق (DID)

يقترح المؤلفون إطار عمل جديد للكشف مستوحى من طريقة الاستدلال السببي في الاقتصاد القياسي المعروفة بـ "الفرق في الفروق" (Difference-in-Differences - DID). فبدلاً من الاعتماد فقط على خطأ إعادة البناء من الدرجة الأولى، تقوم الطريقة بحساب فرق من الدرجة الثانية لتقليل التباين وتضخيم الإشارات الضعيفة.

الآلية الجوهرية

تقوم الطريقة بإجراء عمليتي إعادة بناء متتاليتين باستخدام نفس نموذج الانتشار المدرب مسبقاً ( $R$ ):

إعادة البناء الأولى: $x' = R(x)$
إعادة البناء الثانية: $x'' = R(x')$

تُعرف ميزات الكشف كما يلي:

خطأ الدرجة الأولى (القياسي): $\Delta(x) = |x - x'|$
خطأ الدرجة الثانية (المقترح): $\Delta^2(x) = |x - x'| - |x' - x''|$

الحدس النظري

للصور الاصطناعية ( $x \in M$ ): تقع الصورة على المنطوية التوليدية. الإسقاط $\Pi_M(x) \approx x$ $Π_{M} (x) \approx x$ . يكون خطأ إعادة البناء مهيمناً عليه بالاضطراب العشوائي $\delta$ $δ$ .
- $\Delta_{fake} \approx |\delta(x)|$
- $\Delta^2_{fake} \approx |\delta(x)| - |\delta(x')| \approx 0$ (بافتراض أن $\delta$ مترابط مكانياً، فإن الضجيج يلغي بعضه البعض في الفرق الثاني).
للصور الحقيقية ( $x \in X$ ): تقع الصورة خارج المنطوية. يحتوي الخطأ على إشارة هيكلية $|x - \Pi_M(x)|$ $∣ x - Π_{M} (x) ∣$ بالإضافة إلى الضجيج.
- $\Delta_{real} \approx |x - \Pi_M(x) - \delta(x)|$
- $\Delta^2_{real} \approx |x - \Pi_M(x) - \delta(x)| - |\delta(x')| \approx |x - \Pi_M(x)|$ (تُلغى حدود الضجيج، تاركةً التباين الهيكلي).

النتيجة: يعمل الفرق من الدرجة الثانية بفعالية على إزالة ضجيج الاضطراب الذي يربك كواشف الدرجة الأولى، مما يعزل الإشارة الهيكلية الدقيقة التي تميز الصور الحقيقية عن الزيف عالي الجودة.

التنفيذ

البنية التحتية: يستخدم النظام مصنفين مستقلين (ResNet-50) مدربين على خرائط الخطأ $\Delta(x)$ و $\Delta^2(x)$ على التوالي.
قاعدة القرار: تُصنف الصورة على أنها حقيقية (Real) فقط إذا تنبأ كلا المصنفين بأنها حقيقية (عملية AND منطقية). يضمن هذا القوة عبر مستويات الصعوبة المختلفة.
التدريب: يتم تدريب المصنفات باستخدام دالة خسارة الإنتروبيا المتقاطعة القياسية على خرائط خطأ إعادة البناء.

3. المساهمات الرئيسية

نموذج كشف مبتكر: تقديم نهج الفرق في الفروق (DID) للكشف عن الذكاء الاصطناعي، والانتقال من أخطاء إعادة البناء من الدرجة الأولى إلى الدرجة الثانية.
التبرير النظري: إثبات تحليلي يوضح أن طرح الفرق من الدرجة الثانية يلغي ضجيج الاضطراب العشوائي المتأصل في إعادة بناء الانتشار، مما يؤدي لتضخيم الإشارات الضعيفة عندما تكون توزيعات الصور الحقيقية والاصطناعية متقاربة.
تعميم قوي: صُممت الطريقة للتعامل مع السيناريوهات التي يكون فيها المولد قوياً (عالي الدقة) أو حيث تتعرض الصور لمعالجة لاحقة (ضغط، تغيير الحجم)، وهي الظروف التي تفشل فيها الطرق الأخرى.
تقييم شامل: تجارب واسعة النطاق عبر مجموعات بيانات متنوعة (ImageNet, LAION, LSUN) ونماذج توليدية مختلفة (ADM, SDXL, Kandinsky 3, GANs).

4. النتائج التجريبية

قام المؤلفون بتقييم DID مقابل خمسة من أحدث النماذج المرجعية (Baselines): DIRE، LaRE2، AEROBLADE، UniversalFakeDetect (UFD)، و FIRE.

الأداء على مجموعات البيانات الكبيرة والمتوافقة: عند التدريب والاختبار على مجموعات بيانات كبيرة مع مولدات متوافقة (مثل ImageNet + ADM)، يؤدي DID أداءً مقارباً لـ DIRE (حوالي 99% دقة)، حيث تكون إشارة الدرجة الأولى قوية بالفعل.
الأداء على مجموعات البيانات الصعبة/الصغيرة:
- في الإعدادات التي تستخدم مجموعات تدريب أصغر (10 آلاف صورة) أو مولدات غير متطابقة (مثل التدريب على LAION/Kandinsky والاختبار على ADM/SDXL)، يتفوق DID بشكل كبير على جميع النماذج المرجعية.
- التحسن: يحقق DID زيادة بنسبة 20% إلى 30% في الدقة مقارنة بثاني أفضل نموذج مرجعي في هذه السيناريوهات الصعبة.
- التعميم: يحافظ DID على دقة عالية (أكثر من 94%+) على صور GAN غير المرئية (StyleGAN, ProjectedGAN) رغم تدريبه حصرياً على صور مولدة بانتشار (Diffusion)، بينما تهبط الطرق الأخرى (مثل LaRE2 و AEROBLADE) إلى مستوى التخمين العشوائي (~50%).
دراسة الاستئصال (Ablation Study):
- استخدام الفرق من الدرجة الثانية فقط ( $\Delta^2$ ) يتفوق على طرق الدرجة الأولى في الإعدادات المعقدة.
- استخدام الفرق من الدرجة الأولى فقط ( $\Delta$ ) يفشل في الإعدادات المعقدة ولكنه يعمل في الإعدادات البسيطة.
- النهج المدمج (DID) يوفر الأداء الأكثر قوة عبر جميع الإعدادات.
المتانة: الطريقة متينة تجاه تغيير تنسيقات الصور (JPEG مقابل PNG) وعيوب الضغط.

5. الأهمية والعمل المستقبلي

الأهمية: يعالج هذا العمل "سباق التسلح" في التوليد بالذكاء الاصطناعي حيث تصبح الكواشف القائمة على أخطاء إعادة البناء البسيطة عاجزة مع تحسن المولدات. من خلال الاستفادة من الفروق ذات الرتب العليا، يوفر DID حلاً قابلاً للتوسع يظل فعالاً حتى عندما تصبح الصور المولدة بالذكاء الاصطناعي واقعية للغاية.
التكلفة الحسابية: تتطلب الطريقة خطوتين لإعادة البناء، مما يزيد من وقت الاستدلال (حوالي 2.46 ثانية/صورة مقابل 1.35 ثانية لـ DIRE). ومع ذلك، يرى المؤلفون أن هذه المقايضة ضرورية لتحقيق المكاسب الكبيرة في الدقة والمتانة.
الاتجاهات المستقبلية:
- استكشاف درجات أعلى من الفروق (الدرجة الثالثة، الرابعة) لالتقاط إشارات أكثر دقة، رغم أن هذا يزيد من التكلفة الحسابية.
- تعميم مبدأ DID على الوسائط الأخرى، مثل الكشف عن النصوص المولدة بواسطة النماذج اللغوية الكبيرة (LLM).

باختصار، تقدم الورقة طريقة متفوقة تجريبياً ومبنية على أسس رياضية للكشف عن الصور المولدة بالذكاء الاصطناعي، وذلك عبر التعامل مع مشكلة الكشف كمهمة لتقليل التباين، مما يؤدي بفعالية إلى تصفية "الضجيج" الناتج عن النماذج التوليدية الحديثة للكشف عن "إشارة" الأصالة الكامنة.